unetLayersgydF4y2Ba

创建用于语义分割的U-Net层gydF4y2Ba

语法gydF4y2Ba

numClasses lgraph = unetLayers(图象尺寸)gydF4y2Ba

[lgraph, outputSize] = unetLayers (numClasses图象尺寸)gydF4y2Ba

＿＿＿gydF4y2Ba= unetLayers(图象尺寸numClasses、名称、值)gydF4y2Ba

描述gydF4y2Ba

lgraphgydF4y2Ba= unetLayers (gydF4y2Ba图象尺寸gydF4y2Ba，gydF4y2BanumClassesgydF4y2Ba）gydF4y2Ba返回U-Net网络。gydF4y2BaunetLayersgydF4y2Ba在网络中包含一个像素分类层，用于预测输入图像中每个像素的分类标签。gydF4y2Ba

使用gydF4y2BaunetLayersgydF4y2Ba创建U-Net网络架构。您必须使用深度学习工具箱™功能训练网络gydF4y2BatrainNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba．gydF4y2Ba

［gydF4y2BalgraphgydF4y2Ba，gydF4y2BaoutputSizegydF4y2Ba) = unetLayers (gydF4y2Ba图象尺寸gydF4y2Ba，gydF4y2BanumClassesgydF4y2Ba）gydF4y2Ba也返回U-Net网络的输出大小。gydF4y2Ba

＿＿＿gydF4y2Ba= unetLayers (gydF4y2Ba图象尺寸gydF4y2Ba，gydF4y2BanumClassesgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用一个或多个名称-值对参数指定选项。将每个属性名用引号括起来。例如,gydF4y2BaunetLayers(图象尺寸、numClasses NumFirstEncoderFilters, 64)gydF4y2Ba另外设置输出通道的数量为gydF4y2Ba64gydF4y2Ba对于第一个编码阶段。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

创建具有自定义编码器-解码器深度的U-Net网络gydF4y2Ba

此示例使用：gydF4y2Ba

打开生活的脚本gydF4y2Ba

创建一个编码-解码器深度为3的U-Net网络。gydF4y2Ba

imageSize = [480 640 3];numClasses = 5;encoderDepth = 3;numClasses lgraph = unetLayers(图象尺寸,gydF4y2Ba“EncoderDepth”gydF4y2BaencoderDepth)gydF4y2Ba

LAPHRAGH =具有属性的图表图：图层：[46x1 nnet.cnn.layer.layer]连接：[48x2表]输入名称：{'imageInputLayer'} OutputNames：{'semonation-tallay'}gydF4y2Ba

显示网络。gydF4y2Ba

情节(lgraph)gydF4y2Ba

图中包含一个坐标轴。坐标轴包含一个graphplot类型的对象。gydF4y2Ba

训练U-Net网络进行语义分割gydF4y2Ba

此示例使用：gydF4y2Ba

打开生活的脚本gydF4y2Ba

将训练图像和像素标签加载到工作区中。gydF4y2Ba

datasetdir = fullfile（toolboxdir（gydF4y2Ba“愿景”gydF4y2Ba），gydF4y2Ba“visiondata”gydF4y2Ba，gydF4y2Ba'triangleimages'gydF4y2Ba）;imageDir = fullfile (dataSetDir,gydF4y2Ba“trainingImages”gydF4y2Ba）;labelDir = fullfile (dataSetDir,gydF4y2Ba“trainingLabels”gydF4y2Ba）;gydF4y2Ba

创建一个gydF4y2BaimageageAtastore.gydF4y2Ba对象来存储训练图像。gydF4y2Ba

imd = imageDatastore (imageDir);gydF4y2Ba

定义类名称及其关联的标签ID。gydF4y2Ba

一会= [gydF4y2Ba“三角形”gydF4y2Ba，gydF4y2Ba“背景”gydF4y2Ba];标签id = [255 0];gydF4y2Ba

创建一个gydF4y2BaPixellabeldAtastore.gydF4y2Ba对象存储培训图像的地面真相像素标签。gydF4y2Ba

一会,pxds = pixelLabelDatastore (labelDir labelIDs);gydF4y2Ba

创建U-Net网络。gydF4y2Ba

imageSize = [32 32];numClasses = 2;lgraph = unetLayers(imageSize, numClasses)gydF4y2Ba

LAPHR =具有属性的分层图：图层：[58×1 nnet.cnn.layer.layer]连接：[61×2表]输入名称：{'imageInputLayer'} OutputNames：{'semonation-tallay'}gydF4y2Ba

创建用于训练网络的数据存储。gydF4y2Ba

ds =结合(imd, pxds);gydF4y2Ba

设置培训选项。gydF4y2Ba

选择= trainingOptions (gydF4y2Ba'sgdm'gydF4y2Ba，gydF4y2Ba．..gydF4y2Ba“InitialLearnRate”gydF4y2Ba1 e - 3,gydF4y2Ba．..gydF4y2Ba“MaxEpochs”gydF4y2Ba, 20岁,gydF4y2Ba．..gydF4y2Ba'verbosefrequency'gydF4y2Ba，10）;gydF4y2Ba

培训网络。gydF4y2Ba

净= trainNetwork (ds、lgraph选项)gydF4y2Ba

单CPU培训。初始化输入数据归一化。| ========================================================================================|时代|迭代|经过时间的时间迷你批量|迷你批量|基础学习| | | | (hh:mm:ss) | Accuracy | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:04 | 75.57% | 2.4341 | 0.0010 | | 10 | 10 | 00:00:36 | 96.02% | 0.4517 | 0.0010 | | 20 | 20 | 00:01:13 | 97.62% | 0.2324 | 0.0010 | |========================================================================================|

net = DAGNetwork with properties: Layers: [58×1 nnet.cnn.layer.Layer] Connections: [61×2 table] InputNames: {'ImageInputLayer'} OutputNames: {' segment- layer '}gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`图象尺寸gydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

网络输入图像大小，指定为答：gydF4y2Ba

形式为[gydF4y2Ba高度gydF4y2Ba，gydF4y2Ba宽度gydF4y2Ba]。gydF4y2Ba
形式为[gydF4y2Ba高度gydF4y2Ba，gydF4y2Ba宽度gydF4y2Ba，gydF4y2Ba深度gydF4y2Ba]。gydF4y2Ba深度gydF4y2Ba为图像通道的个数。集gydF4y2Ba深度gydF4y2Ba来gydF4y2Ba3.gydF4y2Ba对于RGB图像，要gydF4y2Ba1gydF4y2Ba对于灰度图像，或多光谱和高光谱图像的通道数。gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
大于1的整数gydF4y2Ba

语义分段中的类数，指定为大于1的整数。gydF4y2Ba

名称-值对的观点gydF4y2Ba

例子：gydF4y2Ba“EncoderDepth”,3gydF4y2Ba

`“EncoderDepth”gydF4y2Ba`- - - - - -gydF4y2Ba编码器深度gydF4y2Ba
`4gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

编码器深度，指定为正整数。U-Net由编码器子网和相应的解码器子网组成。这些网络的深度确定在处理期间输入图像下采样或上采样的次数。编码器网络将输入图像缩小为2倍gydF4y2Ba^DgydF4y2Ba,在那里gydF4y2BaDgydF4y2Ba的价值gydF4y2BaEncoderdep.gydF4y2Ba．解码器网络对编码器网络输出进行因子2的采样gydF4y2Ba^DgydF4y2Ba．gydF4y2Ba

`“NumOutputChannels”gydF4y2Ba`- - - - - -gydF4y2Ba输出通道数gydF4y2Ba
`64gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

请注意gydF4y2Ba

NumOutputChannelsgydF4y2Ba重命名为gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba并且在未来的版本中将不会被支持。金宝app使用gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba代替。gydF4y2Ba

第一编码器级的输出通道数，指定为正整数或正整数向量。在每个后续的编码器阶段，输出通道的数量加倍。gydF4y2BaunetLayersgydF4y2Ba设置每个解码器阶段的输出通道数量，以匹配相应的编码器阶段的数量。gydF4y2Ba

`“NumFirstEncoderFilters”gydF4y2Ba`- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

第一编码器级的输出通道数，指定为正整数或正整数向量。在每个后续的编码器阶段，输出通道的数量加倍。的gydF4y2BaunetLayersgydF4y2Ba函数设置每个解码器阶段的输出通道数量，以匹配相应编码器阶段的数量。gydF4y2Ba

`“FilterSize”gydF4y2Ba`- - - - - -gydF4y2Ba卷积层滤波器大小gydF4y2Ba
`3.gydF4y2Ba`(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇形整数的2个元素行向量gydF4y2Ba

卷积层过滤器的大小，指定为正奇数或正奇数的2元素行向量。典型值在[3,7]范围内。gydF4y2Ba

`FilterSizegydF4y2Ba`	描述gydF4y2Ba
标量gydF4y2Ba	过滤器是方形的。gydF4y2Ba
2元素行向量gydF4y2Ba	过滤器的大小为[gydF4y2Ba高度gydF4y2Ba宽度gydF4y2Ba]。gydF4y2Ba

`'卷积浮雕'gydF4y2Ba`- - - - - -gydF4y2Ba填充类型gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`'有效的'gydF4y2Ba`

填充类型，指定为gydF4y2Ba“相同”gydF4y2Ba或gydF4y2Ba'有效的'gydF4y2Ba．属性的填充类型指定填充样式gydF4y2Baconvolution2dLayergydF4y2Ba(深度学习工具箱)gydF4y2Ba在编码器和解码器子网中。输出特征图的空间大小取决于填充的类型。如果你指定填充类型为:gydF4y2Ba

“相同”gydF4y2Ba0填充应用到卷积层的输入，这样输出和输入特征映射是相同的大小。gydF4y2Ba
'有效的'gydF4y2Ba0填充不应用于卷积层的输入。卷积层只返回没有零填充的卷积值。输出特征图小于输入特征图。gydF4y2Ba

请注意gydF4y2Ba

以确保gydF4y2Ba高度gydF4y2Ba和gydF4y2Ba宽度gydF4y2Ba对于max-pooling层的输入是偶数的，选择网络输入图像的大小来确认以下条件中的任意一个:gydF4y2Ba

如果您指定gydF4y2Ba'卷积浮雕'gydF4y2Ba作为gydF4y2Ba“相同”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba和gydF4y2Ba宽度gydF4y2Ba输入图像必须是2的倍数gydF4y2Ba^DgydF4y2Ba．gydF4y2Ba
如果您指定gydF4y2Ba'卷积浮雕'gydF4y2Ba作为gydF4y2Ba'有效的'gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba和gydF4y2Ba宽度gydF4y2Ba必须选择输入图像，这样gydF4y2Ba $hgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba -gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{DgydF4y2Ba} {2gydF4y2Ba}^{我gydF4y2Ba} （gydF4y2Ba {fgydF4y2Ba}_{hgydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba$ 和gydF4y2Ba $wgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba hgydF4y2Ba -gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{DgydF4y2Ba} {2gydF4y2Ba}^{我gydF4y2Ba} （gydF4y2Ba {fgydF4y2Ba}_{wgydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba$ 是2的倍数吗gydF4y2Ba^DgydF4y2Ba．gydF4y2Ba
在哪里gydF4y2BafgydF4y2Ba_hgydF4y2Ba和gydF4y2BafgydF4y2Ba_wgydF4y2Ba为二维卷积核的高度和宽度。gydF4y2BaDgydF4y2Ba为编码器深度。gydF4y2Ba

数据类型:gydF4y2BachargydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

代表U-Net网络架构的图层，返回ASgydF4y2BalayerGraphgydF4y2Ba(深度学习工具箱)gydF4y2Ba对象。gydF4y2Ba

`outputSizegydF4y2Ba`-网络输出图像大小gydF4y2Ba
三元素向量gydF4y2Ba

网络输出图像的大小，以三元素向量的形式返回[gydF4y2Ba高度gydF4y2Ba，gydF4y2Ba宽度gydF4y2Ba，gydF4y2Ba渠道gydF4y2Ba]。gydF4y2Ba渠道gydF4y2Ba是输出通道的数量，它等于输入中指定的类数。的gydF4y2Ba高度gydF4y2Ba和gydF4y2Ba宽度gydF4y2Ba从网络输出图像的大小取决于填充卷积的类型。gydF4y2Ba

如果您指定gydF4y2Ba'卷积浮雕'gydF4y2Ba作为gydF4y2Ba“相同”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba和gydF4y2Ba宽度gydF4y2Ba网络输出图像与网络输入图像的相同。gydF4y2Ba
如果您指定gydF4y2Ba'卷积浮雕'gydF4y2Ba作为gydF4y2Ba'有效的'gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba和gydF4y2Ba宽度gydF4y2Ba的网络输出图像小于网络输入图像。gydF4y2Ba

数据类型:gydF4y2Ba双倍的gydF4y2Ba

提示gydF4y2Ba

使用gydF4y2Ba“相同”gydF4y2Ba在卷积层中填充以保持从输入到输出的相同数据大小，并允许使用广泛的输入图像大小集。gydF4y2Ba
使用基于patch的方法无缝分割大图像。您可以提取图像补丁使用gydF4y2BarandomPatchExtractionDatastoregydF4y2Ba图像处理工具箱™中的功能。gydF4y2Ba
使用gydF4y2Ba'有效的'gydF4y2Ba使用基于补丁的方法进行分割时，填充以防止边界伪影。gydF4y2Ba
您可以使用使用创建的网络gydF4y2BaunetLayersgydF4y2Ba培训后GPU代码的功能gydF4y2BatrainNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba．有关详细信息和示例，请参阅gydF4y2Ba深度学习代码生成gydF4y2Ba(深度学习工具箱)gydF4y2Ba．gydF4y2Ba

兼容性的考虑gydF4y2Ba

全部展开gydF4y2Ba

`NumOutputChannelsgydF4y2Ba`论点gydF4y2Ba`unetLayersgydF4y2Ba`重命名为gydF4y2Ba`NumFirstEncoderFiltersgydF4y2Ba`

不建议从R2019b开始gydF4y2Ba

unetLayersgydF4y2Ba争论gydF4y2BaNumOutputChannelsgydF4y2Ba重命名为gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba．gydF4y2BaNumOutputChannelsgydF4y2Ba在未来的版本中将不支持。金宝app使用gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba代替。要更新代码，请替换gydF4y2BaNumOutputChannelsgydF4y2Ba与gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba．gydF4y2Ba

参考gydF4y2Ba

Ronneberger, O.， P. Fischer和T. Brox。U-Net:用于生物医学图像分割的卷积网络。gydF4y2Ba医学图像计算和计算机辅助干预(MICCAI)gydF4y2Ba．卷。9351,2015，pp。234-241。gydF4y2Ba

[2]他，K.，X. Zhang，S. Ren和J. Sun.“深入研究整流器：超越了在想象集分类上的人力水平表现。”gydF4y2BaIEEE计算机视觉国际会议论文集gydF4y2Ba．2015,1026-1034。gydF4y2Ba

扩展功能gydF4y2Ba

GPU的代码生成gydF4y2Ba
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。gydF4y2Ba

使用说明和限制：gydF4y2Ba

您可以使用U-Net网络来生成代码。首先，使用gydF4y2BaunetLayersgydF4y2Ba函数。然后,使用gydF4y2BatrainNetworkgydF4y2Ba函数训练网络进行分割。在训练和评估网络之后，您可以为gydF4y2BaDAGNetworkgydF4y2Ba对象使用GPU编码器™。gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

pixelClassificationLayergydF4y2Ba|gydF4y2BaDAGNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba|gydF4y2BalayerGraphgydF4y2Ba(深度学习工具箱)gydF4y2Ba

功能gydF4y2Ba

deeplabv3plusLayersgydF4y2Ba|gydF4y2BaevaluateSemanticSegmentationgydF4y2Ba|gydF4y2BafcnLayersgydF4y2Ba|gydF4y2BasegnetLayersgydF4y2Ba|gydF4y2BasemanticseggydF4y2Ba|gydF4y2BatrainNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba

主题gydF4y2Ba

介绍了R2018bgydF4y2Ba

unetLayersgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建具有自定义编码器-解码器深度的U-Net网络gydF4y2Ba

训练U-Net网络进行语义分割gydF4y2Ba

输入参数gydF4y2Ba

`图象尺寸gydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
大于1的整数gydF4y2Ba

名称-值对的观点gydF4y2Ba

`“EncoderDepth”gydF4y2Ba`- - - - - -gydF4y2Ba编码器深度gydF4y2Ba
`4gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“NumOutputChannels”gydF4y2Ba`- - - - - -gydF4y2Ba输出通道数gydF4y2Ba
`64gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“NumFirstEncoderFilters”gydF4y2Ba`- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`“FilterSize”gydF4y2Ba`- - - - - -gydF4y2Ba卷积层滤波器大小gydF4y2Ba
`3.gydF4y2Ba`(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇形整数的2个元素行向量gydF4y2Ba

`'卷积浮雕'gydF4y2Ba`- - - - - -gydF4y2Ba填充类型gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`'有效的'gydF4y2Ba`

输出参数gydF4y2Ba

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

`outputSizegydF4y2Ba`-网络输出图像大小gydF4y2Ba
三元素向量gydF4y2Ba

更多关于gydF4y2Ba

U-Net架构gydF4y2Ba

提示gydF4y2Ba

兼容性的考虑gydF4y2Ba

`NumOutputChannelsgydF4y2Ba`论点gydF4y2Ba`unetLayersgydF4y2Ba`重命名为gydF4y2Ba`NumFirstEncoderFiltersgydF4y2Ba`

参考gydF4y2Ba

扩展功能gydF4y2Ba

GPU的代码生成gydF4y2Ba
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

计算机视觉工具箱文档gydF4y2Ba

金宝app

与Matlab引入深度学习gydF4y2Ba

unetLayersgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建具有自定义编码器-解码器深度的U-Net网络gydF4y2Ba

训练U-Net网络进行语义分割gydF4y2Ba

输入参数gydF4y2Ba

图象尺寸gydF4y2Ba- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

numClassesgydF4y2Ba- - - - - -gydF4y2Ba类的数量gydF4y2Ba大于1的整数gydF4y2Ba

名称-值对的观点gydF4y2Ba

“EncoderDepth”gydF4y2Ba- - - - - -gydF4y2Ba编码器深度gydF4y2Ba4gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

“NumOutputChannels”gydF4y2Ba- - - - - -gydF4y2Ba输出通道数gydF4y2Ba64gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

“NumFirstEncoderFilters”gydF4y2Ba- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

“FilterSize”gydF4y2Ba- - - - - -gydF4y2Ba卷积层滤波器大小gydF4y2Ba3.gydF4y2Ba(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇形整数的2个元素行向量gydF4y2Ba

'卷积浮雕'gydF4y2Ba- - - - - -gydF4y2Ba填充类型gydF4y2Ba“相同”gydF4y2Ba(默认)|gydF4y2Ba'有效的'gydF4y2Ba

输出参数gydF4y2Ba

lgraphgydF4y2Ba——层gydF4y2BalayerGraphgydF4y2Ba对象gydF4y2Ba

outputSizegydF4y2Ba-网络输出图像大小gydF4y2Ba三元素向量gydF4y2Ba

更多关于gydF4y2Ba

U-Net架构gydF4y2Ba

提示gydF4y2Ba

兼容性的考虑gydF4y2Ba

NumOutputChannelsgydF4y2Ba论点gydF4y2BaunetLayersgydF4y2Ba重命名为gydF4y2BaNumFirstEncoderFiltersgydF4y2Ba

参考gydF4y2Ba

扩展功能gydF4y2Ba

GPU的代码生成gydF4y2Ba使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

计算机视觉工具箱文档gydF4y2Ba

金宝app

与Matlab引入深度学习gydF4y2Ba

`图象尺寸gydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
2-element向量gydF4y2Ba|gydF4y2Ba转换向量gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
大于1的整数gydF4y2Ba

`“EncoderDepth”gydF4y2Ba`- - - - - -gydF4y2Ba编码器深度gydF4y2Ba
`4gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“NumOutputChannels”gydF4y2Ba`- - - - - -gydF4y2Ba输出通道数gydF4y2Ba
`64gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“NumFirstEncoderFilters”gydF4y2Ba`- - - - - -gydF4y2Ba第一编码器的输出通道数gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`“FilterSize”gydF4y2Ba`- - - - - -gydF4y2Ba卷积层滤波器大小gydF4y2Ba
`3.gydF4y2Ba`(默认)|gydF4y2Ba积极的奇数gydF4y2Ba|gydF4y2Ba正奇形整数的2个元素行向量gydF4y2Ba

`'卷积浮雕'gydF4y2Ba`- - - - - -gydF4y2Ba填充类型gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`'有效的'gydF4y2Ba`

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

`outputSizegydF4y2Ba`-网络输出图像大小gydF4y2Ba
三元素向量gydF4y2Ba

`NumOutputChannelsgydF4y2Ba`论点gydF4y2Ba`unetLayersgydF4y2Ba`重命名为gydF4y2Ba`NumFirstEncoderFiltersgydF4y2Ba`

GPU的代码生成gydF4y2Ba
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。gydF4y2Ba